|
背景：先进的机器学习方法结合大量的健康筛查数据为人类和兽医学的诊断价值提供了机会。 假设/目的：使用常规兽医实践期间收集的电子健康记录(EHR)数据，推导预测猫发生慢性(CKD)风险的模型。 动物：1995年1月1日至2017年12月31日期间，共有106251只猫在Banfield宠物医院就诊。 方法：提取Banfield宠物医院的纵向EHR，随机分为2部分。前67%的数据用于建立预测模型，其中包括特征选择和最优神经网络类型和架构的识别。使用剩余未观察到的EHR评价模型性能。 结果：最终模型为具有4个特征（肌酐、血尿素氮、尿比重、年龄）的递归神经网络(RNN)。当预测接近诊断点的CKD时，该模型显示灵敏度为90.7%，特异性为98.9%。当预测CKD风险时，模型灵敏度下降，疾病确诊前1年预测到CKD风险的灵敏度为63.0%，疾病确诊前1年预测到CKD风险的灵敏度为44.2%，但特异性保持在99%左右。 结论和临床重要性：使用基于机器学习的模型可以通过改进CKD的早期识别来支持兽医决策。 关键词：人工神经网络；计算机模型；猫；机器学习；肾脏。 参考文献：Bradley R, Tagkopoulos I, Kim M,Kokkinos Y, Panagiotakos T, Kennedy J, De Meyer G, Watson P, Elliott J.Predicting early risk of chronic kidney disease in cats using routine clinicallaboratory tests and machine learning. J Vet Intern Med. 2019Nov;33(6):2644-2656. doi: 10.1111/jvim.15623. Epub 2019 Sep 26. PMID: 31557361;PMCID: PMC6872623. |
|
|
